使用scipy.signal.deconvolve进行高斯分布反卷积未得预期结果的技术求助

看起来你遇到的问题核心是用错了工具——scipy.signal.deconvolve根本不是为概率分布的反卷积场景设计的，咱们一步步拆解问题和解决办法：

为什么scipy.signal.deconvolve不适用？ #

• 这个函数是针对信号处理领域的线性系统反卷积设计的，它的核心模型是「输出信号 = 输入信号 卷积 系统脉冲响应」，目的是还原输入信号或系统响应，和概率分布的卷积逻辑完全不同。
• 概率分布的卷积是积分意义下的连续卷积，而scipy.signal.deconvolve处理的是离散线性卷积，两者的数学定义存在本质差异；另外概率PDF的数值通常很小，反卷积过程中容易放大数值噪声，直接导致结果完全偏离预期。

正确的概率反卷积实现方法：傅里叶变换法 #

由于卷积在频域对应乘积，反卷积自然可以通过频域相除+逆傅里叶变换来实现，这是概率分布反卷积的通用方法（不管是不是高斯分布都适用）。具体逻辑是：

1. 对X和Z的PDF序列做快速傅里叶变换（FFT）
2. 频域上用Z的FFT结果除以X的FFT结果（为了避免除以零，可以给分母加一个极小的epsilon）
3. 对相除后的结果做逆FFT，取实部（数值计算可能引入微小虚部，直接忽略即可）

修改后的代码示例 #

import numpy as np
import scipy.stats
import matplotlib.pyplot as plt

dx = 1e-1
grid = np.arange(-20, 30, dx)

# 定义已知分布
dist_X = scipy.stats.norm(loc=20, scale=4)
dist_Z = scipy.stats.norm(loc=0, scale=5)
# 理论上的Y分布
dist_Y_true = scipy.stats.norm(loc=-20, scale=np.sqrt(5**2 - 4**2))

# 获取PDF序列
Z_signal = dist_Z.pdf(grid)
X_signal = dist_X.pdf(grid)
Y_true_signal = dist_Y_true.pdf(grid)

# 用傅里叶变换实现反卷积
epsilon = 1e-12  # 避免除以零的极小值
Z_fft = np.fft.fft(Z_signal)
X_fft = np.fft.fft(X_signal)
Y_fft = Z_fft / (X_fft + epsilon)
Y_signal = np.fft.ifft(Y_fft).real

# 归一化（数值计算可能导致积分不为1，修正为合法PDF）
Y_signal /= np.trapz(Y_signal, dx=dx)

# 画图对比
plt.figure(figsize=(8, 6))
plt.plot(grid, Y_signal, label=r'$Y$ (反卷积结果)')
plt.plot(grid, Y_true_signal, label=r'$Y$ (理论值)', linestyle='--')
plt.plot(grid, X_signal, label=r'$X$')
plt.plot(grid, Z_signal, label=r'$Z$')
plt.legend(fontsize='16')
plt.grid(axis='x', color='0.95')
plt.grid(axis='y', color='0.95')
plt.ylabel(r'PDF', fontsize='20')
plt.xlabel(r'取值', fontsize='20')
plt.show()

额外说明 #

• 对于非高斯分布，只要其PDF是可傅里叶变换的，这个方法同样适用；
• 注意采样网格的范围和步长：要确保网格覆盖三个分布的主要概率区间，步长太小会增加计算量，太大则会损失精度；
• 归一化步骤很重要：数值计算过程中FFT/逆FFT可能会让结果的积分偏离1，用trapz积分归一化后才能得到合法的PDF。

备注：内容来源于stack exchange，提问作者Maveryck Andres Garzon Espejo